当今社会，商业公司对于大数据的深度挖掘和利用早已得心应手。例如，一些购物网站可以根据消费者的网页浏览记录，推送其可能感兴趣的商品；社交软件根据用户的好友名单，向其推荐可能认识的其他用户；微信利用用户聊天记录，在其朋友圈更精准地投放营销广告……那么，大学也可以将大数据应用于学校管理吗？如果大学遇上大数据，我们的高等教育会有何变化？
事实上，这些已被熟练运用的大数据技巧，高校当然也可以拿来使用。以大数据积累为基础，运用科学的预测模式，高校可调整招生方式，预测学生在校的生活和学习情况，甚至是未来的就业情况等。对于高校管理者而言，大数据时代的决策早已不能仅凭经验或摸着石头过河了。高校应如何科学利用各类数据，为教育管理决策提供依据呢？
美国格林尼尔学院的做法是将学习分析技术与学院人工智能数据挖掘网相结合，用以获取学生数据。以学生数据为基础，该学院通过对这些数据进行挖掘、分析和利用，对学生在校期间的表现实施预警，通过定量与定性调查相结合的方式，帮助学生“成功”，即提升学生的在校率和毕业率。
新闻链接：
2015年8月31日，国务院印发《促进大数据发展行动纲要》的通知，系统部署大数据发展工作。该通知中指出，“探索发挥大数据对变革教育方式、促进教育公平、提升教育质量的支撑作用……鼓励高校设立数据科学和数据工程相关专业，重点培养专业化数据工程师等大数据专业人才。鼓励采取跨校联合培养等方式开展跨学科大数据综合型人才培养，大力培养具有统计分析、计算机技术、经济管理等多学科知识的跨界复合型人才。”（中国政府网，2015-08-31）
从大数据到校园行动学习分析技术被定义为，围绕与学习者学习相关的数据，运用不同的分析方法和数据模型来解释这些数据，根据解释的结果探究学习者的学习过程与情景，发现学习规律或者根据数据阐释学习者的学习表现，为其提供相应反馈，从而促进更加有效的学习。该技术可以为学生、教师和学校提供加以运用和分析的数据反馈。同时，越来越多的高等院校也开始借助由教职员工、学生的专业顾问、行政人员以及学生等多方人员组成的人工智能数据挖掘网，寻求学生个性化学习所面临的挑战，了解学生的进步情况。而格林尼尔学院重视学生数据的挖掘与利用，正是希望能通过多方数据的关联，向教职员工提供科学有效的干预信息。
在瑞纳德·金顿院长的领导下，格林尼尔学院密切关注并分析学生数据，建立起学生风险预警模型。其中一项措施是为确保学生成功而建立的“格林尼尔咨询搭档模型”（Grinnells Advising Partnersmodel），其不仅仅根植于学生的学术咨询，还有赖于更加广泛的校园人力资源。在该模型下，格林尼尔学院保证每名学生均分配有一位学业导师，一位住宿生活协调导师，一位择业、生活与服务导师。导师在为学生提供服务的同时，还是数据源的重要收集者。
在“格林尼尔咨询搭档模型”和人工智能数据挖掘网的支持下，格林尼尔学院已有四项引人注目的举措在校园内推行。第一，学生学术成绩报告。直接与学生学术风险预警系统相关联，一旦预警数据对某些同学的学术成绩发出警报，相关工作人员会将该报告提交给相应的学术咨询小组，咨询小组人员会与学生对接，针对性地解决学生面临的学术问题。第二，学生行为报告。负责学生事务的相关工作人员会借助商用工具（一般是与外部机构合作的专业性调查或测试），与学生就个人担忧（通常与家庭、人际交往或者健康问题等有关）或存在的身体、心理等方面的问题，进行交流并提供相应帮助。第三，学生的中期考核。该考核基于格林尼尔学院内部的学生学术成绩的数据收集系统进行。第四，对学院已使用的名为“为了学生的成功”软件进行持续开发和改进，用以支持“格林尼尔咨询搭档模型”的部分工作，以及替代一些学院内部数据收集的工作，逐步降低人力成本。
让数据洞察具有前瞻性值得注意的是，上文提到的前三项举措不仅仅可以独立进行，还可以综合利用，将“孤岛”式数据相关联。因为格林尼尔学院发现肄业学生，无论是自愿退学、休学还是被开除，他们每学期的GPA均有较大区别。“对比学生每学期的GPA这项工作本身并不复杂，但是学校应当注意对已有数据的可视化和再利用，利用多方综合数据尽早发现学生存在问题的蛛丝马迹。”瑞纳德·金顿表示。因此，格林尼尔学院依据上述前三项举措的关联性，用以评估学生某门课程的学术综合表现，并辅佐以学生的伤健数据、教师给予学生的学术警告次数以及其他个人行为数据等多方数据信息，发现隐藏的潜在问题学生，给学生打上“令人满意”“一般”“存在风险”三个级别的“标签”。
但这一学术综合表现评级，格林尼尔学院并不会告知学生，更不会出现在学生的成绩单上，因为这是学校借助数据预警体系打在学生身上的内部“标签”，公布该结果可能会给学生造成一定的心理压力与消极影响。通过这一内部“标签”所得到的相应的评估，是格林尼尔学院作为对学生实施干预措施的主要“证据”。事实证明，尽管这一举措不能发现所有的问题学生，但确实对学生的保有率和毕业率及学生事务管理大有裨益。
不过通过对多方数据的综合分析和利用，预测学生的未来发展趋势，并不意味着有了数据就可以解决所有问题。除了借助数据帮助学生成功，格林尼尔学院还正在研究预测学生成功的变量补充方法。其中一项补充方法是了解学生过去的经历、个人兴趣爱好、对大学的期望、同伴交往情况、价值观、未来目标和计划等信息。瑞纳德·金顿说，该方法其最初的灵感始于学校与外部合作机构的新生调查。借助外部合作机构的调查模型子集，用以确认可能存在问题的学生。格林尼尔学院表示，这种类型的非数据类信息对于学院现存的数据预警预测系统不能起到直接作用，但可以帮助学院解决早前发现的一个棘手问题，即表现优秀的学生也可能毫无预兆的、不因任何学业问题而退学。
不要为了大数据而大数据在教育领域，如何有效挖掘、分析和利用海量数据，已成为高校关注的热点。格林尼尔学院结合工作经验，建议其他高校在实施类似成体系的数据挖掘与利用工作时，可提前注意三方面问题：第一，便捷的数据输入，以鼓励和提高各类数据的捕捉和保存；第二，确保各部门、各院系数据安全共享的支持性工作流；第三，做好近似即时（near-real-time）数据的获取工作，用以分析预警预测模型使用。另外，除了学校自身做好一系列数据挖掘、分析与利用工作，格林尼尔学院也在积极与外部机构进行专项合作，“在预测变得日益复杂和数据源不断夸大的时代背景下，使用外部机构的商业软件不仅可以帮助学校缓解工作压力，更是学校为确保学生成功的有效方式之一。”瑞纳德·金顿表示。
在对学生的校内数据进行全方位挖掘和收集并积极与外部机构合作的背景之下，格林尼尔学院同时也意识到了为教职员工提供培训与发展机会的必要性。为了推动教职员工在干预活动中发挥更大作用，鼓励教职员工广泛参与数据的挖掘和收集利用，格林尼尔学院已举行了两次关于“为了学生成功”的主题会议，汇聚了一大批教职员工积极参与其中。
随着大数据热潮的持续，每一所大学的管理、教学、科研等环节每时每刻都在产生各种有待挖掘的数据。但大数据挖据和收集利用不是简单的数据分类收集和保存，高校还必须有大数据规划的考量，譬如哪些数据长期保存，哪些数据深入挖掘，重视历史数据的积累，建立互助互利的数据交流模式。正如中国科学院院士戴汝在接受媒体采访时所说，“我们已经拥有了的数据原材料基础，就是丰沃的土壤和富饶的金矿。但这些积累，必须要通过更好地运用大数据技术进行精耕细作和挖掘提炼，才能真正释放出海量数据巨大的内涵价值。”
麦可思研究所有原创内容，未经授权不得转载。对于使用产生的一切侵权问题，我们将保留依法追究的权利。专注高等教育，微信搜索“麦可思研究”查看更多内容。
本文为作者原创，未经授权，不得转载。
联系我时请说明在“通榆吧”看到的信息。